Konstruktion og validering af et intelligent ultralydsdiagnosesystem til spektret af neuroblastom hos børn

Neuroblastiske tumorer (NT'er) udgør de mest almindelige ekstrakranielle solide tumorer i barndommen, hvor langt de fleste patienter diagnosticeres med neuroblastom (NB) – den subtype, der er forbundet med den højeste malignitet og dårligste prognose. Disse tilfælde udgør betydelige udfordringer i klinisk diagnose og behandling, hvilket ofte fører til ugunstige samlede resultater. Histopatologisk undersøgelse er fortsat guldstandarden for endelig diagnose og klassifikation. Denne metode er dog invasiv, indebærer en risiko for komplikationer, og dens diagnostiske nøjagtighed er afhængig af operatørens erfaring og biopsies lokalisation. Selvom medicinsk billeddannelse muliggør ikke-invasiv tumordiagnosticering, baserer den sig primært på subjektiv visuel fortolkning af læger, hvilket resulterer i begrænset nøjagtighed og reproducerbarhed ved skelnen mellem forskellige NT-subtyper.

Radiomics, en ny frekvens inden for kunstig intelligens-baseret billedanalyse, muliggør højtgennemløbs ekstraktion, analyse og kvantificering af billedtræk via automatiserede algoritmer, og afslører store mængder subvisuel information. Det har vist betydeligt potentiale i differentialdiagnose, behandlingsevaluering og resultatforudsigelse af tumorer. Nuværende radiomics-forskning om neuroblastom er stadig i sine tidlige stadier, hvor de fleste studier fokuserer på modaliteter som computeriseret tomografi (CT), magnetisk resonansbilleddannelse (MRI) og positron emission tomografi-computeriseret tomografi (PET-CT), mens ultralydsbaserede radiomics-undersøgelser forbliver uudforskede.

Ultralydsundersøgelse, på grund af sine unikke fordele – herunder fravær af ioniserende stråling, real-time dynamisk billeddannelse, operationel bekvemmelighed og lav pris – er blevet den foretrukne billedmodalitet til pædiatrisk tumorscreening og opfølgning. Som følge heraf har integration af radiomics med ultralyd for at udvikle et intelligent diagnosesystem, der ikke-invasivt og præcist kan vurdere NT'er, betydelig klinisk værdi og translationspotentiale. Et sådant system vil lette præcis præoperativ klassifikation, risikostratificering af patienter og støtte til klinisk beslutningstagning.

Denne undersøgelse har til formål at konstruere og validere et intelligent ultralydsdiagnosesystem til pædiatriske neuroblastiske tumorer baseret på ultralydsradiomics-træk, som følger:

1. At bygge en prædiktionsmodel til pædiatriske neuroblastiske tumorer (NT'er) baseret på ultralydsbilleder, der opnår automatiseret differentialdiagnose af neuroblastom (NB), ganglioneuroblastom (GNB) og ganglioneurom (GN).
2. På baggrund af patologisk klassifikation, integrere klinisk patologiske træk for at etablere en multimodal fusionsmodel. Fokus er på at identificere højrisikopatienter, forudsige knoglemarvsmetastase og estimere behandlingsresultater, hvilket giver et referencegrundlag for klinisk beslutningstagning.
3. Integrere tidligere forskningsresultater for at konstruere et omfattende intelligent ultralydsdiagnosesystem, der integrerer patologisk klassifikation, risikostratificering og prognosevurdering, og opnå systematisk og intelligent evaluering af NT-patienter for at støtte klinisk risikostratificering og individualiserede behandlingsbeslutninger.